Previsão do índice de Açúcar Total Recuperável (ATR) de Cana-de-Açúcar Usando Redes Neurais Artificiais

• Luciano Henrique Alves de Siqueira ^[2] ; Anderson Rogério Faia Pinto ^[2] ; Jorge Alberto Achcar ^[2] ; Antonio Fernando Crepaldi ^[3] ; José Luís Garcia Hermosilla ^[2] ; Marcelo Seido Nagano ^[1]
  1. [1] Universidade de São Paulo

     Universidade de São Paulo

     Brasil

     
  2. [2] Universidade de Araraquara,Brasil.
  3. [3] Universidade Estadual Paulista,Brasil.

  Mostrar afiliaciones +
• Localización: RISTI: Revista Ibérica de Sistemas e Tecnologias de Informação, ISSN-e 1646-9895, Nº. 57, 2025, págs. 85-107
• Idioma: portugués
• Títulos paralelos:
  • Forecast of the Total Recoverable Sugar (TRS) Index of Sugarcane Using Artificial Neural Networks
• Enlaces
  • Texto completo (pdf)
• Resumen
  • português

    A colheita da cana-de-açúcar impacta significativamente a produtividade das usinas sucroalcooleiras e deve ser realizada no ponto ótimo de maturação ou Período de Utilização Industrial (PUI). A estimativa do PUI é obtida por análises laboratoriais que mensuram o índice de Açúcar Total Recuperável (ATR). A questão é que o planejamento das usinas sucroalcooleiras é dependente da previsão de produção (açúcar e etanol), e não há ferramentas capazes de substituir os altos custos das análises laboratoriais do ATR. Logo, este artigo traz um estudo de caso cujo objetivo é propor um modelo computacional para estimar o índice de ATR da produção de uma usina sucroalcooleira do interior do estado de São Paulo. Este modelo é fundamentado nas Artificial Neural Networks (ANN) e foi aplicado às bases de dados das lavouras de 48.151 talhões das safras de 2016/2017 a 2022/2023. As experimentações apresentaram um erro médio absoluto (3,49%) muito inferior às análises laboratoriais (12,17%). A principal contribuição deste estudo está em fornecer um modelo de baixo custo que estima com acurácia muito satisfatória o índice de ATR para o PUI.

  • English

    Sugarcane harvesting significantly impacts the productivity of sugar mills and should be carried out at the optimal maturity point or Period of Industrial Utilization (PIU). The PIU is estimated through laboratory analyses that measure the Total Recoverable Sugar (TRS) index. The challenge lies in the fact that the planning of sugar mills depends on production forecasts (sugar and ethanol), and there are no tools capable of replacing the high costs of laboratory TRS analyses. Therefore, this article presents a case study aimed at proposing a computational model to estimate the TRS index of the production of a sugar mill in the countryside of São Paulo, Brazil. This model is based Artificial Neural Networks (ANN) and was applied to databases of 48,151 plots from the 2016/2017 to 2022/2023 harvests. The experiments presented a mean absolute error (3.49%) much lower than laboratory analyses (12.17%). The main contribution of this study lies in providing a low-cost model that estimates the ATR index with very high accuracy of the PIU.

• Referencias bibliográficas
  • Ali, A., Altaf, M. T., Bedir, M., Liaqat, W., Jamil, A., Nadeem, M. A., & Baloch, F. S. (2024). Biotechnological Advancements Toward Sugarcane...
  • Amaro, R. P., Christina, M., Todoroff, P., Le Maire, G., Fiorio, P. R., De Carvalho Pereira, E., & Luciano, A. C. D. S. (2025). Regional...
  • Bocca, F. F., & Rodrigues, L. H. A. (2016). The effect of tuning, feature engineering, and feature selection in data mining applied to...
  • Box, G. E., & Cox, D. R. (1964). An analysis of transformations. Journal of the Royal Statistical Society Series B: Statistical Methodology,...
  • Canata, T. F., Júnior, M. R. B., de Oliveira, R. P., Furlani, C. E. A., & da Silva, R. P. (2024). AI-Driven Prediction of Sugarcane Quality...
  • Canata, T. F., Wei, M. C. F., Maldaner, L. F., & Molin, J. P. (2021). Sugarcane yield mapping using high-resolution imagery data and machine...
  • Cardoso, L. A. S., de Mesquita, B. D. N. R., & Farias, P. R. S. (2025). Use of machine learning algorithms in the context of sugarcane...
  • Charoen-Ung, P., & Mittrapiyanuruk, P. (2018). Sugarcane yield grade prediction using random forest and gradient boosting tree techniques....
  • Charoen-Ung, P., & Mittrapiyanuruk, P. (2019). Sugarcane yield grade prediction using random forest with forward feature selection and...
  • Coelho, A. P., Bettiol, J. V. T., Dalri, A. B., Fischer Filho, J. A., Faria, R. T., & Palaretti, L. F. (2019). Application of artificial...
  • Colmanetti, M. A. A., Cuadra, S. V., Lamparelli, R. A. C., Cabral, O. M. R., de Castro Victoria, D., de Almeida Monteiro, J. E. B., de Freitas,...
  • Companhia Nacional de Abastecimento, CONAB. (2024). Boletim - Cana-de-açúcar - 1º levantamento - 2024/25. Tabela de dados - Produção de cana-de-açúcar...
  • Confederação da Agricultura e Pecuária do Brasil, CNA. (2022). Sumário Executivo I OCDE - FAO Perspectivas Agrícolas 2023-2032. Brasília....
  • Conselho dos Produtores de Cana-de-Açúcar, Açúcar e Etanol do Estado de São Paulo, CONSECANA-SP. (2023). Regulamento do CONSECANA. São Paulo....
  • Denham, T. (2024). Forgetting cane grasses: Switching temporal focus to reveal mosaics of Saccharum diversity. Plants, People, Planet, 1–13....
  • De Oliveira, M. P. G., Bocca, F. F., & Rodrigues, L. H. A. (2017). From spreadsheets to sugar content modeling: A data mining approach....
  • De Oliveira, M. P. G., & Rodrigues, L. H. A. (2020). How good are the models available for estimating sugar content in sugarcane?. European...
  • Dias, H. B., & Sentelhas, P. C. (2017). Evaluation of three sugarcane simulation models and their ensemble for yield estimation in commercially...
  • Dias, H. B., & Inman-Bamber, G. (2020). Sugarcane: Contribution of process-based models for understanding and mitigating impacts of climate...
  • Dias, H. B., Inman-Bamber, G., Bermejo, R., Sentelhas, P. C., & Christodoulou, D. (2019). New APSIM-Sugar features and parameters required...
  • Dias, H. B., Inman-Bamber, G., Everingham, Y., Sentelhas, P. C., Bermejo, R., & Christodoulou, D. (2020). Traits for canopy development...
  • Dias, H. B., Inman-Bamber, G., Sentelhas, P. C., Everingham, Y., Bermejo, R., & Christodoulou, D. (2021). High-yielding sugarcane in tropical...
  • Dias Neto, A. F., Albiero, D., Rossetto, R., & Biagi, J. D. (2022). Modeling of mechanized sugarcane harvesting to support decision-making...
  • Everingham, Y., Sexton, J., Skocaj, D., & Inman-Bamber, G. (2016). Accurate prediction of sugarcane yield using a random forest algorithm....
  • Everingham, Y. L., Smyth, C. W., & Inman-Bamber, N. G. (2009). Ensemble data mining approaches to forecast regional sugarcane crop production....
  • Ferraciolli, M. A., Bocca, F. F., & Rodrigues, L. H. A. (2019). Neglecting spatial autocorrelation causes underestimation of the error...
  • Florentino, H. D. O., Irawan, C., Aliano, A. F., Jones, D. F., Cantane, D. R., & Nervis, J. J. (2018). A multiple objective methodology...
  • Grus, J. (2016). Data Science do Zero: Primeiras Regras com o Python. (pp. 213-224). Alta Books
  • Hammer, R. G., Sentelhas, P. C., & Mariano, J. C. (2020). Sugarcane yield prediction through data mining and crop simulation models. Sugar...
  • Joshi, M., Bhosale, S., & Vyawahare, V. A. (2023). A survey of fractional calculus applications in artificial neural networks. Artificial...
  • Katal, A., & Singh, N. (2022). Artificial Neural Network: Models, Applications, and Challenges. In: Tomar, R., Hina, M.D., Zitouni, R.,...
  • Kathirvel, N., & Venkatachalam, I. (2024). A Detailed Review for Predicting the Quantity of Sugar from Sugarcane using Various Models....
  • Lim, W. M., Kumar, S., & Ali, F. (2022). Advancing knowledge through literature reviews: ‘What’, ‘why’, and ‘how to contribute’. The Service...
  • Luciano, A. C. S., Picoli, M. C. A., Duft, D. G., Rocha, J. V., Leal, M. R. L., & Maire, G. (2021). Empirical model for forecasting sugarcane...
  • Madeiro, S. S., da Silva Oliveira, F. R., Alexandre, F. B. A., & de Lima Neto, F. B. (2006). Intelligent modeling of sugar-cane maturation....
  • Matović, N., & Ovesni, K. (2023). Interaction of quantitative and qualitative methodology in mixed methods research: integration and/or...
  • Medar, R., & Rajpurohit, V. S. (2019). Supervised machine learning techniques for predicting sugarcane yield. International Journal of...
  • Monteiro, L. A., & Sentelhas, P. C. (2014). Potential and actual sugarcane yields in Southern Brazil as a function of climate conditions...
  • Monteiro, L. A., & Sentelhas, P. C. (2017). Sugarcane yield gap: can it be determined at national level with a simple agrometeorological...
  • Nihar, A., Patel, N. R., & Danodia, A. (2022). Machine-learning-based regional yield forecasting for sugarcane crop in Uttar Pradesh,...
  • Pignède, E., Roudier, P., Diedhiou, A., N’Guessan Bi, V. H., Kobea, A. T., Konaté, D., & Péné, C. B. (2021). Sugarcane yield forecast...
  • Pravallika, K., Karuna, G., Anuradha, K., & Srilakshmi, V. (2021). Deep neural network model for proficient crop yield prediction. In...
  • Phuphaphud, A., Saengprachatanarug, K., Posom, J., Maraphum, K., & Taira, E. (2019). Prediction of the fibre content of sugarcane stalk...
  • Rahman, M. M., & Robson, A. (2020). Integrating landsat-8 and sentinel-2 time series data for yield prediction of sugarcane crops at the...
  • Satpathi, A., Chand, N., Setiya, P., Ranjan, R., Nain, A. S., Vishwakarma, D. K., Saleem, K., Obaidullah, A. J., Yadav, K., K., & Kisi,...
  • Silva, M. D. A., Santos, H. L., Germino, G. H., & Véliz, J. G. E. (2023). Effect of ripeners on the nutrient concentrations of sugarcane...
  • Shanthi, R. M., Alarmelu, S., Mahadeva Swamy, H. K., & Lakshmi Pathy, T. (2023). Impact of climate change on sucrose synthesis in sugarcane...
  • Shendryk, Y., Pan, L., Craigie, M., Stasolla, M., Ticehurst, C., & Thorburn, P. (2020). A satellite-based methodology for harvest date...
  • Souza, C. C. de, Carneiro Jr., J. B. A., Cristaldo, M. F., Castelão, R. A., Frainer, D. M., & Viganó, H. H. da G. (2022). Forecast of...
  • Werlang, M. K., & Werlang, E. P. (2021). Water balance and Thornthwaite climatic classification of the camobi neighbourhood, Santa Maria,...